CN109711249A - 人物运动轨迹绘制方法、装置、计算机设备及存储介质 - Google Patents
人物运动轨迹绘制方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN109711249A CN109711249A CN201811339291.1A CN201811339291A CN109711249A CN 109711249 A CN109711249 A CN 109711249A CN 201811339291 A CN201811339291 A CN 201811339291A CN 109711249 A CN109711249 A CN 109711249A
- Authority
- CN
- China
- Prior art keywords
- target
- shooting
- picture
- target video
- motion profile
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012163 sequencing technique Methods 0.000 claims abstract description 29
- 230000001815 facial effect Effects 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 17
- 239000000284 extract Substances 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 2
- 238000011835 investigation Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 8
- 238000000605 extraction Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 238000005452 bending Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 210000004709 eyebrow Anatomy 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 210000004209 hair Anatomy 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Landscapes
- Television Signal Processing For Recording (AREA)
Abstract
本发明公开了一种人物运动轨迹绘制方法、装置、计算机设备及存储介质,该方法包括:获取各个拍摄到目标人物的目标视频,获取录制到各个目标视频的目标设备所在的地理位置,作为各个目标视频的拍摄位置,然后针对每一个目标视频,从目标视频记录的各个拍摄时间段中选取出现目标人物的各个现身时间点,并关联各个现身时间点与目标视频的拍摄位置,接下来获取预设的第三方地图,在第三方地图中将各个目标视频的拍摄位置进行标记,得到各个标记后的拍摄位置,最后按照各个现身时间点的先后顺序,将各个标记后的拍摄位置依次进行路径连接,得到目标人物在第三方地图中的运动轨迹,提高了绘制运动轨迹的效率,也即提高了目标人物的动向侦查效率。
Description
技术领域
本发明涉及司法领域,尤其涉及一种人物运动轨迹绘制方法、装置、计算机设备及存储介质。
背景技术
目前,社会犯罪率正在持续上升,捕抓罪犯的任务也越来越重,侦查人员为了能早日破案,常常需要绘制目标罪犯的运动轨迹图。
在传统方法中,侦查人员通过人工方式先对案件录像视频进行分析,然后对目标罪犯进行侦查。但是通常案件录像视频的数量庞大,且案件录像视频分布不均,侦查人员在采用大量的人力和长时间分析存储有目标罪犯的的案件录像视频之后,才能侦查出该目标罪犯的动向,从而导致动向侦查的效率低。
因此,寻找一种高效的动向侦查方法成为本领域技术人员亟需解决的问题。
发明内容
本发明实施例提供一种人物运动轨迹绘制方法、装置、计算机设备及存储介质,以解决目标人物的动向侦查的效率低的问题。
一种人物运动轨迹绘制方法,包括:获取各个拍摄到目标人物的目标视频,目标视频拍摄时一并记录了拍摄时间段;获取录制到各个所述目标视频的目标设备所在的地理位置,作为各个所述目标视频的拍摄位置;针对每一个目标视频,从所述目标视频记录的各个拍摄时间段中选取出现所述目标人物的各个现身时间点,并关联所述各个现身时间点与所述目标视频的拍摄位置;获取预设的第三方地图;在所述第三方地图中将各个所述目标视频的拍摄位置进行标记,得到各个标记后的拍摄位置;按照各个现身时间点的先后顺序,将所述各个标记后的拍摄位置依次进行路径连接,得到所述目标人物在所述第三方地图中的运动轨迹。
一种人物运动轨迹绘制装置,包括:第一获取模块,用于获取各个拍摄到目标人物的目标视频,目标视频拍摄时一并记录了拍摄时间段;第二获取模块,用于获取录制到各个所述目标视频的目标设备所在的地理位置,作为各个所述目标视频的拍摄位置;选取模块,用于针对每一个目标视频,从所述目标视频记录的各个拍摄时间段中选取出现所述目标人物的各个现身时间点,并关联所述各个现身时间点与所述目标视频的拍摄位置;第三获取模块,用于获取预设的第三方地图;标记模块,用于在所述第三方地图中将各个所述目标视频的拍摄位置进行标记,得到各个标记后的拍摄位置;连接模块,用于按照各个现身时间点的先后顺序,将所述各个标记后的拍摄位置依次进行路径连接,得到所述目标人物在所述第三方地图中的运动轨迹。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述人物运动轨迹绘制方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述人物运动轨迹绘制方法的步骤。
上述人物运动轨迹绘制方法、装置、计算机设备及存储介质,通过先获取各个拍摄到目标人物的目标视频,然后获取录制到各个所述目标视频的目标设备所在的地理位置,作为各个所述目标视频的拍摄位置,接下来针对每一个目标视频,从所述目标视频记录的各个拍摄时间段中选取出现所述目标人物的各个现身时间点,并关联所述各个现身时间点与所述目标视频的拍摄位置,再接下来获取预设的第三方地图,在所述第三方地图中将各个所述目标视频的拍摄位置进行标记,得到各个标记后的拍摄位置,最后按照各个现身时间点的先后顺序,将所述各个标记后的拍摄位置依次进行路径连接,得到所述目标人物在所述第三方地图中的运动轨迹。因为每个目标设备的地理坐标是明确的,得到的各个所述目标视频的拍摄位置也是明确的,同时各个所述目标视频的拍摄位置与目标人物已出现在所述目标视频中的地理位置等同于一个地理坐标,所以在获取到的预设的第三方地图中将各个所述目标视频的拍摄位置进行标记得到的各个标记后的拍摄位置便为目标人物出现在所述目标视频中的地理位置,又因为各个拍摄时间段为目标视频拍摄时一并记录的时间,所以从所述目标视频记录的各个拍摄时间段中选取出现所述目标人物的各个现身时间点也为拍摄时间段,因此按照各个现身时间点的先后顺序,在获取到的第三方地图中将所述各个标记后的拍摄位置依次进行路径连接,便可快速地得到所述目标人物在所述第三方地图中的运动轨迹,所述各个标记后的拍摄位置为在所述预设的第三方地图中对各个所述目标视频的拍摄位置进行标记得到的拍摄位置,提高了绘制运动轨迹的效率,该运动轨迹代表目标人物的动向,因此提高了目标人物的动向侦查效率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中人物运动轨迹绘制方法的一应用环境示意图;
图2是本发明一实施例中人物运动轨迹绘制方法的一流程图;
图3是本发明一实施例中人物运动轨迹绘制方法中步骤S60的一流程图;
图4是本发明一实施例中人物运动轨迹绘制方法中确定目标人物在出行路段上存在作案概率的一流程图;
图5是本发明一实施例中人物运动轨迹绘制方法中确定出现目标人物的现身时间点的一流程图;
图6是本发明一实施例中人物运动轨迹绘制方法中确定每一个出动区域所需出动的警力的一流程图;
图7是本发明一实施例中人物运动轨迹绘制装置的一示意图;
图8是本发明一实施例中计算机设备的一示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请提供的人物运动轨迹绘制方法,可应用在如图1的应用环境中,其中,计算机设备通过网络与服务器进行通信。其中,计算机设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中,如图2所示,提供一种人物运动轨迹绘制方法,该人物运动轨迹绘制方法应用在公安行业中,以该方法应用在图1中的服务器为例进行说明,包括如下步骤:
S10、获取各个拍摄到目标人物的目标视频;
在本实施例中,目标人物为自然人,如张三。拍摄到目标人物的目标视频专门存储在视频数据库中,处于随时可以调用的状态。其中,目标视频拍摄时一并记录了拍摄时间段,该拍摄时间段为在拍摄该目标视频时的现实中的时间,如目标视频拍摄时记录了2018年5月10日0点至2018年5月10日24点之间的每一秒时间。
可以理解的是,录制目标视频有对应的目标设备,如录制目标视频的标识与目标设备的标识存在映射关系,每一个录制到目标视频的目标设备都有固定的地理位置,地理位置可以为某城市某区某栋建筑,如深圳罗湖区经济100大厦,地理位置也可以为具体的地理坐标,如(39°54′N,116°23′),“39°54′N”为北纬39度54分,“116°23′”为东经116度23分,可以理解的是,在安装每一个目标设备时,便记录了各个目标设备的地理位置,各个目标设备的地理位置专门保存在设备数据库中,处于随时可以调用的状态。
需要说明的是,视频数据库和设备数据库可以为SQL数据库或oracle数据库等,目标设备可以为数码相机或录像机等,视频数据库、目标设备和设备数据库的具体内容,可以根据实际应用进行设定,此处不做限制。
具体地,首先,获取各个拍摄到目标人物的目标视频在视频数据库中各个存储路径,然后根据获取到的各个存储路径分别提取对应的各个拍摄到目标人物的目标视频,如视频数据库为MySQL数据库,一个目标视频的存储路径为“C:\Program Files\MySQL\MySQLServer 5.0\data1\”,另一个目标视频的存储路径为“C:\Program Files\MySQL\MySQLServer 5.0\data2\”,则首先获取两个目标视频在MySQL数据库中的“C:\Program Files\MySQL\MySQL Server 5.0\data1\”和“C:\Program Files\MySQL\MySQL Server 5.0\data2\”,然后根据“C:\Program Files\MySQL\MySQL Server 5.0\data1\”提取一个目标视频,根据“C:\Program Files\MySQL\MySQL Server 5.0\data2\”提取另一个目标视频。
S20、获取录制到各个目标视频的目标设备所在的地理位置,作为各个目标视频的拍摄位置;
具体地,为了得到目标人物的地理位置,首先需要获取录制到各个目标视频的目标设备所在的地理位置在设备数据库中各个存储路径,然后根据获取到的各个存储路径分别提取对应的获取录制到各个目标视频的目标设备所在的地理位置,最后将获取到的各个目标设备所在的地理位置确定为各个目标视频的拍摄位置,因为各个目标视频的拍摄位置与出现目标人物的各个现身地理位置一致,从而得到目标人物的各个现身地理位置。如设备数据库为MySQL数据库,一个目标设备所在的地理位置为“深圳罗湖区经济100大厦”,另一个目标设备所在的地理位置为“深圳福田区平安大厦”,“深圳罗湖区经济100大厦”的存储路径为“C:\Program Files\MySQL\MySQL Server5.0\device1\”,“深圳福田区平安大厦”的存储路径为“C:\Program Files\MySQL\MySQL Server 5.0\device2\”,则首先获取两个目标设备所在的地理位置在MySQL数据库中的“C:\Program Files\MySQL\MySQLServer 5.0\device1\”和“C:\Program Files\MySQL\MySQL Server 5.0\device2\”,然后根据“C:\Program Files\MySQL\MySQL Server 5.0\device1\”提取“深圳罗湖区经济100大厦”,根据“C:\Program Files\MySQL\MySQL Server 5.0device2\”提取“深圳福田区平安大厦”,最后将“深圳罗湖区经济100大厦”和“深圳福田区平安大厦”确定为各个目标视频的拍摄位置。
S30、针对每一个目标视频,从目标视频记录的各个拍摄时间段中选取出现目标人物的各个现身时间点,并关联各个现身时间点与目标视频的拍摄位置;
在本实施例中,目标人脸图片为包含有目标人物的人脸的图片,目标人脸图片专门存储在人脸图片数据库中,处于随时可以调用的状态。人脸图片数据库可以为SQL数据库或oracle数据库等,需要说明的是,人脸图片数据库的具体内容,可以根据实际应用进行设定,此处不做限制。
具体地,针对步骤S10获取到的每一个目标视频,首先从该目标视频中提取出各个拍摄图片,然后采用预设的人脸识别方法从各个拍摄图片识别出拍摄人脸图片,接下来将目标视频记录的各个拍摄时间段确定为各个拍摄图片的目标时间,从而得到拍摄人脸图片的目标时间,再接下来从人脸图片数据库中获取目标人物的目标人脸图片,采用局部二值模式算法和余弦相似度算法选取出于目标人脸图片一致的拍摄人脸图片,最后图片相似度值对应的拍摄人脸图片的目标时间确定为出现目标人物的现身时间点,并将得到的各个现身时间点与步骤S20中获取到的目标视频的拍摄位置进行关联起来。
S40、获取预设的第三方地图;
在本实施例中,预设的第三方地图可以为高德地图或百度地图,预设的第三方地图专门存储在地图数据库中,处于随时可以调用的状态。需要说明的是,预设的第三方地图的具体内容,可以根据实际应用进行设定,此处不做限制。
具体地,首先,获取第三方地图在地图数据库中的存储路径,然后根据获取到的存储路径提取该第三方地图。
S50、在第三方地图中将各个目标视频的拍摄位置进行标记,得到各个标记后的拍摄位置;
具体地,在步骤S40中获取到的第三方地图中将步骤S20中获取到的各个目标视频的拍摄位置进行标记,得到各个标记后的拍摄位置。如第三方地图为高德地图,一个目标视频的拍摄位置为(39°54′N,116°23′E),(22°32′N,114°03′E),其中“39°54′N”为北纬39度54分,“116°23′E”东经116度23分,22°32′N为北纬22度32分,114°03′E东经114度03分,则在步骤S40中获取到的高德地图中将步骤S20中获取到的(39°54′N,116°23′E)和(22°32′N,114°03′E)进行标记,得到各个标记后的39°54′N,116°23′E)和(22°32′N,114°03′E)。
S60、按照各个现身时间点的先后顺序,将各个标记后的拍摄位置依次进行路径连接,得到目标人物在第三方地图中的运动轨迹。
在本实施例中,路径为路段,是指交通网络上相邻两个节点之间的交通线路。
具体地,按照步骤S30中的各个现身时间点的先后顺序,将步骤S50中得到的各个标记后的拍摄位置依次进行路径连接,得到目标人物在第三方地图中的运动轨迹,如一个现身时间点为2018年3月10日10点,另一个现身时间点为2018年3月10日12点,一个标记后的拍摄位置为(39°54′N,116°23′E),另一个标记后的拍摄位置为(22°32′N,114°03′E),路径为自行车的车道,其中“39°54′N”为北纬39度54分,“116°23′E”为东经116度23分,“22°32′N”为北纬22度32分,“114°03′E”为东经114度03分,则将2018年3月10日10点的39°54′N,116°23′E),与2018年3月10日12点的(22°32′N,114°03′E)进行自行车的车道的连接,得到目标人物在高德地图中的运动轨迹。
在图2对应的实施例中,通过先获取各个拍摄到目标人物的目标视频,然后获取录制到各个所述目标视频的目标设备所在的地理位置,作为各个所述目标视频的拍摄位置,接下来针对每一个目标视频,从所述目标视频记录的各个拍摄时间段中选取出现所述目标人物的各个现身时间点,并关联所述各个现身时间点与所述目标视频的拍摄位置,再接下来获取预设的第三方地图,在所述第三方地图中将各个所述目标视频的拍摄位置进行标记,得到各个标记后的拍摄位置,最后按照各个现身时间点的先后顺序,将所述各个标记后的拍摄位置依次进行路径连接,得到所述目标人物在所述第三方地图中的运动轨迹。因为每个目标设备的地理坐标是明确的,得到的各个所述目标视频的拍摄位置也是明确的,同时各个所述目标视频的拍摄位置与目标人物已出现在所述目标视频中的地理位置等同于一个地理坐标,所以在获取到的预设的第三方地图中将各个所述目标视频的拍摄位置进行标记得到的各个标记后的拍摄位置便为目标人物出现在所述目标视频中的地理位置,又因为各个拍摄时间段为目标视频拍摄时一并记录的时间,所以从所述目标视频记录的各个拍摄时间段中选取出现所述目标人物的各个现身时间点也为拍摄时间段,因此按照各个现身时间点的先后顺序,在获取到的第三方地图中将所述各个标记后的拍摄位置依次进行路径连接,便可快速地得到所述目标人物在所述第三方地图中的运动轨迹,所述各个标记后的拍摄位置为在所述预设的第三方地图中对各个所述目标视频的拍摄位置进行标记得到的拍摄位置,提高了绘制运动轨迹的效率,该运动轨迹代表目标人物的动向,因此提高了目标人物的动向侦查效率。
在一实施例中,该人物运动轨迹绘制方法应用在公安行业中,如图3所示图2对应实施例中一种人物运动轨迹绘制方法中步骤S60在一个应用场景下的流程图,具体包括如下步骤:
S601、将各个目标视频的拍摄位置之间的路段确定为各个出行路段;
在本实施例中,该步骤S601中的路段的内容与步骤S60中路段的内容一致。出行路段为目标人物出行时经过的路段,如公交车道、自行车道或人行道等。需要说明的是,出行路段的具体内容,可以根据实际应用进行设定,此处不做限制。
具体地,将各个目标视频的拍摄位置之间的路段确定为各个出行路段,如第一目标视频的拍摄位置为(39°54′N,116°23′E),第二目标视频的拍摄位置为(22°32′N,114°03′E),第三目标视频的拍摄位置为(31°14″N,118°22″E),其中“39°54′N”为北纬39度54分,“116°23′E”为东经116度23分,“22°32′N”为北纬22度32分,“114°03′E”为东经114度03分,“31°14″N”为北纬31度14分,“118°22″E”为东经118度22分,(39°54′N,116°23′E)与(22°32′N,114°03′E)之间的路段为自行车道,(22°32′N,114°03′E)与(31°14″N,118°22″E)之间的路段为公交车道,则将自行车道和公交车道确定为两个出行路段。
S602、在第三方地图中将各个出行路段进行标记,得到各个标记后的出行路段;
具体地,在步骤S40获取到的第三方地图中将在步骤S601确定出的各个出行路段进行标记,得到各个标记后的出行路段,也即得到各个出行路段对应的模拟路段,如第三方地图为高德地图,一个出现路段为自行车道,另一个出现路段为公交车道,则在高德地图中将自行车道和公交车道进行标记,得到标记后的自行车道和公交车道,也即得到自行车道对应的模拟自行车道和公交车道对应的模拟公交车道。
S603、按照各个现身时间点的先后顺序,将各个标记后的出行路段依次进行合并,得到目标人物在第三方地图中的运动轨迹。
具体地,按照步骤S30中选取到的各个现身时间点的先后顺序,将步骤S602中得到的各个标记后的出行路段依次进行合并,得到目标人物在第三方地图中的运动轨迹。
在图3对应的实施例中,通过先将各个目标视频的拍摄位置之间的路段确定为各个出行路段,然后在第三方地图中将各个出行路段进行标记,得到各个标记后的出行路段,最后按照各个现身时间点的先后顺序,将各个标记后的出行路段依次进行合并,得到目标人物在第三方地图中的运动轨迹。因为先在第三方地图中将标记出各个出行路段对应的各个标记后的出行路段,再将各个标记后的出行路段合并成运动轨迹,这样既保证了每一个出行路段的走向,同时也能保证整个运动轨迹的连贯性。
在一实施例中,该人物运动轨迹绘制方法应用在公安行业中,如图4所示图2对应实施例中一种人物运动轨迹绘制方法中确定目标人物在出行路段上存在作案概率在一个应用场景下的流程图,具体包括如下步骤:
S701、将在每个出行路段上所花费的时间确定为该个实际出行时间;
在本实施例中,实际出行时间为目标人物出行了的实际时间,如2小时30分。
具体地,将在每个出行路段上所花费的时间确定为该个实际出行时间,如一个出行路段为自行车道,另一个出行路段为公交车道,在自行车道上所花费的时间为1小时20分,在公交车道上所花费的时间为55分,则将1小时20分确定为已个实际出行时间,将55分确定为另一个实际出行时间。
S702、采用第三方地图分别对各个出行路段进行导航,得到每个出行路段对应的各个预估出行时间;
具体地,采用步骤S40中获取到的第三方地图分别对各个出行路段进行模拟导航,得到每个出行路段对应的各个预估出行时间,如第三方地图为高德地图,一个出行路段为(39°54′N,116°23′E)与(22°32′N,114°03′E)之间的公交车道,另一个出行路段为(22°32′N,114°03′E)与(31°14″N,118°22″E)之间的自行车道,其中“39°54′N”为北纬39度54分,“116°23′E”为东经116度23分,“22°32′N”为北纬22度32分,“114°03′E”为东经114度03分,“31°14″N”为北纬31度14分,“118°22″E”为东经118度22分,则采用高德地图对该自行车道进行模拟导航,得到该自行车道对应的预估出行时间,如1小时35分,和采用高德地图对该公交车道进行模拟导航,得到该公交车道对应的预估出行时间,如45分。
进一步地,针对每一个出行路段,判断步骤S701确定出的出行路段的实际出行时间是否大于步骤S702确定出的预估出行时间,当该出行路段的实际出行时间大于预估出行时间时,执行步骤S703,当步骤S701确定出的出行路段的实际出行时间小于或等于步骤S702确定出的预估出行时间时,确定目标人物在出行路段上不存在作案概率。
S703、确定目标人物在出行路段上存在作案概率。
具体地,当步骤S701确定出的出行路段的实际出行时间大于步骤S702确定出的预估出行时间时,确定目标人物在出行路段上存在作案概率,如一个出行路段为(39°54′N,116°23′E)与(22°32′N,114°03′E)之间的自行车道,该自行车道的实际出行时间为1小时,该公交车道的预估出行时间为30分钟,则确定目标人物在该自行车道上存在作案概率。
进一步地,确定目标人物在该自行车道上存在作案概率时,确定出实际出行时间与预估出行时间之间的时间差值,然后判断该时间差值落入预设的阈值区间的哪一个阈值区间,接下来将该时间差值落入的阈值区间对应的权重与作案概率的基础分值的乘积确定为目标作案概率分值,其中,预设的阈值区间的阈值越大,则该阈值区间对应的权重越大,目标作案概率分值越高,则作案概率越大。如,实际出行时间为55分钟,预估出行时间为35分钟,则实际出行时间与预估出行时间之间的时间差值为20分钟,预设的阈值区间为[0,25]和[26,55]等,[0,25]对应的权重为2,[26,55]对应的权重为3,作案概率的基础分值为10,然后判断20分钟落入[0,25]和[26,55]的哪一个阈值区间,显然20落入[0,25],则将[0,25]对应的权重2与10的乘积确定为目标作案概率分值20。
需要说明的是,预设的阈值区间的阈值的具体内容,可以根据实际情况进行设定,此处不做限制。
在图4对应的实施例中,通过先将在每个出行路段上所花费的时间确定为该个实际出行时间,然后采用第三方地图分别对各个出行路段进行导航,得到每个出行路段对应的各个预估出行时间,最后针对每个出行路段,当行路段的实际出行时间大于预估出行时间时,确定目标人物在出行路段上存在作案概率。因为在出行路段上的实际出行时间大于预估出行时间时,确定目标人物在实际出行时间与预估出行时间之间的差值时间内去做了其他事情,存在作案概率,提高了破案效率。
在一实施例中,该人物运动轨迹绘制方法应用在公安行业中,如图5所示图2对应实施例中一种人物运动轨迹绘制方法中确定出现目标人物的现身时间点在一个应用场景下的流程图,具体包括如下步骤:
S301、获取目标人物的目标人脸图片;
具体地,首先获取目标人物的目标人脸图片在人脸图片数据库中的存储路径,然后根据获取到的存储路径提取目标人物的目标人脸图片。
S302、针对每一个目标视频,按照在播放目标视频时的先后顺序,采用预设的图片提取工具对目标视频进行提取,得到各个拍摄图片;
具体地,针对步骤S10中获取到的每一个目标视频,按照在播放该目标视频时的先后顺序,也即按照在播放该目标视频时开始到结束的顺序,采用预设的图片提取工具对目标视频进行提取,得到各个拍摄图片。
需要说明的是,预设的图片提取工具可以为捷速图片提取大师等,预设的图片提取工具的具体内容,可以根据实际应用进行设定,此处不做限制。
S303、按照目标视频记录的各个拍摄时间段的先后顺序,将各个拍摄时间段确定为各个拍摄图片的目标时间;
具体地,按照步骤S10中获取到的目标视频记录的各个拍摄时间段的先后顺序,将各个拍摄时间段确定为步骤S302提取到的各个拍摄图片的目标时间,如目标视频记录的一个拍摄时间段为2018年2月2日10点30分10秒,目标视频记录的另一个拍摄时间段为2018年2月2日12点30分20秒,则将2018年2月2日10点30分10秒确定为一个拍摄图片的目标时间,将2018年2月2日12点30分20秒确定为另一个拍摄图片的目标时间。
S304、采用预设的人脸识别方法识别拍摄图片是否为有人脸的图片;
具体地,采用预设的人脸识别方法识别步骤S302提取到的拍摄图片是否为有人脸的图片。
需要说明的是,预设的人脸识别方法可以为向量机人脸识别算法或神经网络人脸识别算法等,预设的人脸识别方法的具体内容,可以根据实际应用进行设定,此处不做限制。
进一步地,当步骤S302提取到的拍摄图片为有人脸的图片时,执行步骤S305,当步骤S302提取到的拍摄图片不是有人脸的图片时,将该拍摄图片确定为不含有人脸的图片。
S305、将有人脸的拍摄图片确定为待识别拍摄人脸图片;
具体地,当步骤S302提取到的拍摄图片为有人脸的图片时,将有人脸的拍摄图片确定为待识别拍摄人脸图片,并将该待识别拍摄人脸图片保存至待识别数据库中。
需要说明的是,待识别数据库可以为SQL数据库或oracle数据库等,待识别数据库的具体内容,可以根据实际应用进行设定,此处不做限制。
S306、针对每一张拍摄人脸图片,采用局部二值模式算法对拍摄人脸图片进行提取,得到各个第一目标面部特征;
在本实施例中,第一目标面部特征为拍摄人脸图片中人物的五官信息,如眉毛位置和弯曲程度,或眼睛大小等。局部二值模式算法为计算机视觉领域里用于分类的视觉算子。
具体地,针对步骤S302中提取到的每一张拍摄人脸图片,采用局部二值模式算法对拍摄人脸图片进行提取,得到各个第一目标面部特征。
S307、采用局部二值模式算法对目标人脸图片进行提取,得到各个第二目标面部特征;
在本实施例中,该步骤S307中的局部二值模式算法的内容与步骤S306中的局部二值模式算法的内容一致,此处不再阐述。第二目标面部特征为目标人物的五官信息,如眉毛位置和弯曲程度,或眼睛大小等。
具体地,采用局部二值模式算法对步骤S301中提取到的目标人脸图片进行提取,得到各个第二目标面部特征。
S308、将各个第一目标面部特征和各个第二目标面部特征代入相似度计算公式,得到拍摄人脸图片对应的图片相似度值;
在本实施例中,图片相似度值为拍摄人脸图片与目标人脸图片之间的余弦相似度的值,如0.85。
具体地,将步骤S306中得到的各个第一目标面部特征和步骤S307中得到的各个第二目标面部特征代入如下相似度计算公式,得到拍摄人脸图片对应的图片相似度值。
该相似度计算公式具体为:
其中,p为拍摄人脸图片对应的图片相似度值,xi为第i个第一目标面部特征,yi为第i个第二目标面部特征,n为第一目标面部特征的数量。
进一步地,在得到所有的拍摄人脸图片对应的图片相似度值之后,针对每一个图片相似度值,判断该图片相似度值是否大于或等于预设的阈值,当图片相似度值大于或等于预设的阈值时,执行步骤S309,当图片相似度值小于预设的阈值时,将该图片相似度值对应的拍摄人脸图片保存至备用数据库中,以便于需要时调用。
需要说明的是,预设的阈值可以为0.5等,备用数据库可以为SQL数据库等,预设的阈值和备用数据库的具体内容,可以根据实际应用进行设定,此处不做限制。
S309、将图片相似度值对应的拍摄人脸图片的目标时间确定为出现目标人物的现身时间点。
具体地,当步骤S308中得到的图片相似度值大于或等于预设的阈值时,将该图片相似度值对应的拍摄人脸图片的目标时间确定为出现目标人物的现身时间点,如一张拍摄人脸图片的图片相似度值为0.89,预设的阈值为0.7,该拍摄人脸图片的目标时间为2018年3月3日9点50分30秒,则将2018年3月3日9点50分30秒确定为出现目标人物的现身时间点。
在图5对应的实施例中,通过获取目标人物的目标人脸图片,针对每一个目标视频,按照在播放目标视频时的先后顺序,采用预设的图片提取工具对目标视频进行提取,得到各个拍摄图片,按照目标视频记录的各个拍摄时间段的先后顺序,将各个拍摄时间段确定为各个拍摄图片的目标时间,采用预设的人脸识别方法识别拍摄图片是否为有人脸的图片,当拍摄图片为有人脸的图片时,将有人脸的拍摄图片确定为待识别拍摄人脸图片,针对每一张拍摄人脸图片,采用局部二值模式算法对拍摄人脸图片进行提取,得到各个第一目标面部特征,采用局部二值模式算法对目标人脸图片进行提取,得到各个第二目标面部特征,将各个第一目标面部特征和各个第二目标面部特征代入相似度计算公式,得到拍摄人脸图片对应的图片相似度值,在得到所有的拍摄人脸图片对应的图片相似度值之后,针对每一个图片相似度值,当图片相似度值大于或等于预设的阈值时,将图片相似度值对应的拍摄人脸图片的目标时间确定为出现目标人物的现身时间点。因为局部二值模式算法具有快速的提取的功能,所以能够快速地提取到第一目标面部特征和第二目标面部特征,从而快速地得到图片相似度值,同时当图片相似度值大于或等于预设的阈值时,拍摄人脸图片与目标人脸图片包含人脸的被认为是同一个目标人物的人脸,所以能够快速地将图片相似度值对应的拍摄人脸图片的目标时间确定为出现目标人物的现身时间点,从而提高了得到出现目标人物的现身时间点的效率。
在一实施例中,该人物运动轨迹绘制方法应用在公安行业中,如图6所示图2对应实施例中一种人物运动轨迹绘制方法中确定每一个出动区域所需出动的警力在一个应用场景下的流程图,具体包括如下步骤:
S801、将第三方地图上目标人物的活动区域划分为两个以上出动区域,各个出动区域互不相交;
在本实施例中,出动区域为出动警力侦查目标人物的区域。
具体地,将步骤S40中获取到的第三方地图上目标人物的活动区域划分为两个以上出动区域,其中,各个出动区域互不相交。
S802、针对每一个出动区域,获取落入出动区域内运动轨迹的轨迹长度;
本发明实施例中,运动轨迹的轨迹长度存在轨迹长度单位,轨迹长度单位可以为毫米或厘米等。
具体地,针对步骤S801中划分得到的每一个出动区域,获取落入出动区域内运动轨迹的轨迹长度,如落入一个出动区域内运动轨迹的轨迹长度为20毫米,落入另一个出动区域内运动轨迹的轨迹长度为50毫米。
S803、在获取到所有出动区域的轨迹长度之后,根据每一个出动区域的轨迹长度在总轨迹长度中的轨迹占比,确定出每一个出动区域所需出动的警力,总轨迹长度为各个出动区域的轨迹长度之和。
具体地,在获取到所有出动区域的轨迹长度之后,将各个出动区域的轨迹长度之和确定为总轨迹长度,根据每一个出动区域的轨迹长度在总轨迹长度中的轨迹占比,确定出每一个出动区域所需出动的警力,出动区域的轨迹占比越大,该出动区域所需出动的警力越多,如一个出动区域的轨迹长度为20毫米,另一个出动区域的轨迹长度为50毫米,则总轨迹长度为70毫米,一个出动区域的轨迹长度在总轨迹长度中的轨迹占比为另一个出动区域的轨迹长度在总轨迹长度中的轨迹占比为则根据和确定出每一个出动区域所需出动的警力,的出动区域所需出动的警力大于的出动区域所需出动的警力。
在图6对应的实施例中,通过先将第三方地图上目标人物的活动区域划分为两个以上出动区域,各个出动区域互不相交,然后针对每一个出动区域,获取落入出动区域内运动轨迹的轨迹长度,最后在获取到所有出动区域的轨迹长度之后,根据每一个出动区域的轨迹长度在总轨迹长度中的轨迹占比,确定出每一个出动区域所需出动的警力,总轨迹长度为各个出动区域的轨迹长度之和,因为可以根据各个出动区域的轨迹长度在总轨迹长度中的轨迹占比,确定出每一个出动区域所需出动的警力,所以能够有效地分配所需出动的警力,提高了分配所需出动的警力的灵活性。
进一步地,案件数据库专门保存了目标人物的犯罪行为,还可以从案件数据库中获取目标人物的犯罪行为,如偷窃或杀人等行为,然后根据获取到的目标人物的犯罪行为确定该目标人物的危险等级,如杀人确定为一级等级,偷窃确定为三级等级,从而从等级的高低可以了解到该目标人物犯罪程度的轻重,危险等级越高,犯罪程度的越重。
需要说明的是,案件数据库可以为SQL数据库或oracle数据库等,案件数据库的具体内容,可以根据实际应用进行设定,此处不做限制。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种人物运动轨迹绘制装置,该人物运动轨迹绘制装置与上述实施例中人物运动轨迹绘制方法一一对应。如图7所示,该人物运动轨迹绘制装置包括第一获取模块701、第二获取模块702、选取模块703、第三获取模块704、标记模块705和连接模块706。各功能模块详细说明如下:
第一获取模块701,用于获取各个拍摄到目标人物的目标视频,目标视频拍摄时一并记录了拍摄时间段;
第二获取模块702,用于获取录制到各个目标视频的目标设备所在的地理位置,作为各个目标视频的拍摄位置;
选取模块703,用于针对每一个目标视频,从目标视频记录的各个拍摄时间段中选取出现目标人物的各个现身时间点,并关联各个现身时间点与目标视频的拍摄位置;
第三获取模块704,用于获取预设的第三方地图;
标记模块705,用于在第三方地图中将各个目标视频的拍摄位置进行标记,得到各个标记后的拍摄位置;
连接模块706,用于按照各个现身时间点的先后顺序,将各个标记后的拍摄位置依次进行路径连接,得到目标人物在第三方地图中的运动轨迹。
进一步地,连接模块706包括:
确定子模块7061,用于将各个目标视频的拍摄位置之间的路段确定为各个出行路段;
标识子模块7062,用于在第三方地图中将各个出行路段进行标记,得到各个标记后的出行路段;
合并子模块7063,用于按照各个现身时间点的先后顺序,将各个标记后的出行路段依次进行合并,得到目标人物在第三方地图中的运动轨迹。
进一步地,人物运动轨迹绘制装置还包括:
第一断定模块707,用于将在每个出行路段上所花费的时间确定为该个实际出行时间;
导航模块708,用于采用第三方地图分别对各个出行路段进行导航,得到每个出行路段对应的各个预估出行时间;
第一判断模块709,用于针对每个出行路段,判断出行路段的实际出行时间是否大于预估出行时间,当行路段的实际出行时间大于预估出行时间时,触发第二断定模块710,当行路段的实际出行时间小于或等于预估出行时间时,触发第三断定模块711;
第二断定模块710,用于确定目标人物在出行路段上存在作案概率;
第三断定模块711,用于确定目标人物在出行路段上不存在作案概率。
进一步地,人物运动轨迹绘制装置还包括:
第四获取模块712,用于获取目标人物的目标人脸图片;
第一提取模块713,用于针对每一个目标视频,按照在播放目标视频时的先后顺序,采用预设的图片提取工具对目标视频进行提取,得到各个拍摄图片;
第四断定模块714,用于按照目标视频记录的各个拍摄时间段的先后顺序,将各个拍摄时间段确定为各个拍摄图片的目标时间;
识别模块715,用于采用预设的人脸识别方法识别拍摄图片是否为有人脸的图片,当拍摄图片为有人脸的图片时,触发第五断定模块716,当拍摄图片不是有人脸的图片时,触发第六断定模块717;
第五断定模块716,用于当拍摄图片为有人脸的图片时,将有人脸的拍摄图片确定为待识别拍摄人脸图片;
第六断定模块717,用于将该拍摄图片确定为不含有人脸的图片;
第二提取模块718,用于针对每一张拍摄人脸图片,采用局部二值模式算法对拍摄人脸图片进行提取,得到各个第一目标面部特征;
第三提取模块719,用于采用局部二值模式算法对目标人脸图片进行提取,得到各个第二目标面部特征;
代入模块720,用于将各个第一目标面部特征和各个第二目标面部特征代入相似度计算公式,得到拍摄人脸图片对应的图片相似度值;
相似度计算公式具体为:
其中,p为拍摄人脸图片对应的图片相似度值,xi为第i个第一目标面部特征,yi为第i个第二目标面部特征,n为个第一目标面部特征的数量;
第二判断模块721,用于在得到所有的拍摄人脸图片对应的图片相似度值之后,针对每一个图片相似度值,判断该图片相似度值是否大于或等于预设的阈值,当图片相似度值大于或等于预设的阈值时,触发第七断定模块722,当图片相似度值小于预设的阈值时,触发保存模块723;
第七断定模块722,用于将图片相似度值对应的拍摄人脸图片的目标时间确定为出现目标人物的现身时间点;
保存模块723,用于将该图片相似度值对应的拍摄人脸图片保存至备用数据库中。
进一步地,人物运动轨迹绘制装置还包括:
划分模块724,用于将第三方地图上目标人物的活动区域划分为两个以上出动区域,各个出动区域互不相交;
第五获取模块725,用于针对每一个出动区域,获取落入出动区域内运动轨迹的轨迹长度;
第八断定模块726,用于在获取到所有出动区域的轨迹长度之后,根据每一个出动区域的轨迹长度在总轨迹长度中的轨迹占比,确定出每一个出动区域所需出动的警力,总轨迹长度为各个出动区域的轨迹长度之和。
关于人物运动轨迹绘制装置的具体限定可以参见上文中对于人物运动轨迹绘制方法的限定,在此不再赘述。上述人物运动轨迹绘制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储人物运动轨迹绘制方法涉及到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种人物运动轨迹绘制方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例人物运动轨迹绘制方法的步骤,例如图2所示的步骤S10至步骤S60。或者,处理器执行计算机程序时实现上述实施例中人物运动轨迹绘制装置的各模块/单元的功能,例如图7所示第一获取模块701至连接模块706的功能。为避免重复,这里不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例中人物运动轨迹绘制方法,或者,该计算机程序被处理器执行时实现上述装置实施例中人物运动轨迹绘制装置中各模块/单元的功能。为避免重复,这里不再赘述。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种人物运动轨迹绘制方法,其特征在于,所述人物运动轨迹绘制方法包括:
获取各个拍摄到目标人物的目标视频,目标视频拍摄时一并记录了拍摄时间段;
获取拍摄各个所述目标视频的目标设备所在的地理位置,作为各个所述目标视频的拍摄位置;
针对每一个目标视频,从所述目标视频记录的各个拍摄时间段中选取出现所述目标人物的各个现身时间点,并关联所述各个现身时间点与所述目标视频的拍摄位置;
获取预设的第三方地图;
在所述第三方地图中将各个所述目标视频的拍摄位置进行标记,得到各个标记后的拍摄位置;
按照各个现身时间点的先后顺序,将所述各个标记后的拍摄位置依次进行路径连接,得到所述目标人物在所述第三方地图中的运动轨迹。
2.如权利要求1所述的人物运动轨迹绘制方法,其特征在于,所述按照各个现身时间点的先后顺序,将所述各个标记后的拍摄位置依次进行路径连接,得到所述目标人物在所述第三方地图中的运动轨迹包括:
将所述各个目标视频的拍摄位置之间的路段确定为各个出行路段;
在所述第三方地图中将所述各个出行路段进行标记,得到各个标记后的出行路段;
按照各个现身时间点的先后顺序,将所述各个标记后的出行路段依次进行合并,得到所述目标人物在所述第三方地图中的运动轨迹。
3.如权利要求2所述的人物运动轨迹绘制方法,其特征在于,在所述按照各个现身时间点的先后顺序,将所述标记后的各个出行路段依次进行合并,得到所述目标人物在所述第三方地图中的运动轨迹之后,所述人物运动轨迹绘制方法还包括:
将在所述每个出行路段上所花费的时间确定为该个实际出行时间;
采用所述第三方地图分别对所述各个出行路段进行导航,得到所述每个出行路段对应的预估出行时间;
针对每个所述出行路段,当所述出行路段的实际出行时间大于预估出行时间时,确定所述目标人物在所述出行路段上存在作案概率。
4.如权利要求1所述的人物运动轨迹绘制方法,其特征在于,通过以下步骤确定出现所述目标人物的现身时间点:
获取目标人物的目标人脸图片;
针对每一个目标视频,按照在播放所述目标视频时的先后顺序,采用预设的图片提取工具对所述目标视频进行提取,得到各个拍摄图片;
按照所述目标视频记录的各个拍摄时间段的先后顺序,将所述各个拍摄时间段确定为所述各个拍摄图片的目标时间;
采用预设的人脸识别方法识别拍摄图片是否为有人脸的图片;
当拍摄图片为有人脸的图片时,将有人脸的拍摄图片确定为待识别拍摄人脸图片;
针对每一张拍摄人脸图片,采用局部二值模式算法对所述拍摄人脸图片进行提取,得到各个第一目标面部特征;
采用局部二值模式算法对所述目标人脸图片进行提取,得到各个第二目标面部特征;
将所述各个第一目标面部特征和所述各个第二目标面部特征代入相似度计算公式,得到所述拍摄人脸图片对应的图片相似度值;
所述相似度计算公式具体为:
其中,p为所述拍摄人脸图片对应的图片相似度值,xi为第i个第一目标面部特征,yi为第i个第二目标面部特征,n为所述第一目标面部特征的数量;
在得到所有的拍摄人脸图片对应的图片相似度值之后,针对每一个图片相似度值,当所述图片相似度值大于或等于预设的阈值时,将所述图片相似度值对应的拍摄人脸图片的目标时间确定为出现所述目标人物的现身时间点。
5.如权利要求1至4中任一项所述的人物运动轨迹绘制方法,其特征在于,在所述按照各个现身时间点的先后顺序,将所述各个标记后的拍摄位置依次进行路径连接,得到所述目标人物在所述第三方地图中的运动轨迹之后,所述人物运动轨迹绘制方法还包括:
将所述第三方地图上所述目标人物的活动区域划分为两个以上出动区域,各个出动区域互不相交;
针对每一个出动区域,获取落入所述出动区域内所述运动轨迹的轨迹长度;
在获取到所有出动区域的轨迹长度之后,根据每一个出动区域的轨迹长度在总轨迹长度中的轨迹占比,确定出每一个出动区域所需出动的警力,所述总轨迹长度为各个出动区域的轨迹长度之和。
6.一种人物运动轨迹绘制装置,其特征在于,所述人物运动轨迹绘制装置包括:
第一获取模块,用于获取各个拍摄到目标人物的目标视频,目标视频拍摄时一并记录了拍摄时间段;
第二获取模块,用于获取录制到各个所述目标视频的目标设备所在的地理位置,作为各个所述目标视频的拍摄位置;
选取模块,用于针对每一个目标视频,从所述目标视频记录的各个拍摄时间段中选取出现所述目标人物的各个现身时间点,并关联所述各个现身时间点与所述目标视频的拍摄位置;
第三获取模块,用于获取预设的第三方地图;
标记模块,用于在所述第三方地图中将各个所述目标视频的拍摄位置进行标记,得到各个标记后的拍摄位置;
连接模块,用于按照各个现身时间点的先后顺序,将所述各个标记后的拍摄位置依次进行路径连接,得到所述目标人物在所述第三方地图中的运动轨迹。
7.如权利要求6所述的人物运动轨迹绘制装置,其特征在于,所述连接模块包括:
确定子模块,用于将所述各个目标视频的拍摄位置之间的路段确定为各个出行路段;
标识子模块,用于在所述第三方地图中将所述各个出行路段进行标记,得到各个标记后的出行路段;
合并子模块,用于按照各个现身时间点的先后顺序,将所述各个标记后的出行路段依次进行合并,得到所述目标人物在所述第三方地图中的运动轨迹。
8.如权利要求6至7中任一项所述的人物运动轨迹绘制装置,其特征在于,所述人物运动轨迹绘制装置还包括:
第一断定模块,用于将在所述每个出行路段上所花费的时间确定为该个实际出行时间;
导航模块,用于采用所述第三方地图分别对所述各个出行路段进行导航,得到所述每个出行路段对应的各个预估出行时间;
第二断定模块,用于针对每个所述出行路段,当所述出行路段的实际出行时间大于预估出行时间时,确定所述目标人物在所述出行路段上存在作案概率。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述人物运动轨迹绘制方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述人物运动轨迹绘制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811339291.1A CN109711249A (zh) | 2018-11-12 | 2018-11-12 | 人物运动轨迹绘制方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811339291.1A CN109711249A (zh) | 2018-11-12 | 2018-11-12 | 人物运动轨迹绘制方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109711249A true CN109711249A (zh) | 2019-05-03 |
Family
ID=66254763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811339291.1A Pending CN109711249A (zh) | 2018-11-12 | 2018-11-12 | 人物运动轨迹绘制方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109711249A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287855A (zh) * | 2019-06-21 | 2019-09-27 | 上海闪马智能科技有限公司 | 一种行人轨迹获取方法以及*** |
CN110765984A (zh) * | 2019-11-08 | 2020-02-07 | 北京市商汤科技开发有限公司 | 一种移动状态信息展示方法、装置、设备及存储介质 |
CN110837783A (zh) * | 2019-10-22 | 2020-02-25 | 恒大智慧科技有限公司 | 智慧社区中外来可疑人物自动警告方法、设备及存储介质 |
CN111369668A (zh) * | 2020-03-06 | 2020-07-03 | 西安奥卡云数据科技有限公司 | 一种自动绘制3d模型的方法 |
CN111475594A (zh) * | 2020-03-27 | 2020-07-31 | 深圳光启超材料技术有限公司 | 头戴设备的轨迹确定方法和装置、存储介质及电子装置 |
CN111540026A (zh) * | 2020-03-24 | 2020-08-14 | 北京三快在线科技有限公司 | 动线图的绘制方法、装置、电子设备及存储介质 |
CN112053566A (zh) * | 2020-08-24 | 2020-12-08 | 青岛海信网络科技股份有限公司 | 电子设备及车辆的出行类型识别方法 |
CN112232176A (zh) * | 2020-10-13 | 2021-01-15 | 济南轨道交通集团有限公司 | 一种城市轨道交通车站行人跟踪与轨迹重建方法及*** |
CN112991485A (zh) * | 2019-12-13 | 2021-06-18 | 浙江宇视科技有限公司 | 轨迹绘制方法、装置、可读存储介质及电子设备 |
CN113179432A (zh) * | 2021-04-19 | 2021-07-27 | 青岛海信移动通信技术股份有限公司 | 视频的采集位置的显示方法及显示设备 |
CN113326823A (zh) * | 2021-08-03 | 2021-08-31 | 深圳市赛菲姆科技有限公司 | 一种基于社区场景下人员路径确定方法、*** |
CN114332768A (zh) * | 2021-12-30 | 2022-04-12 | 江苏国盈信息科技有限公司 | 智慧型社区安防管理方法及*** |
CN117237418A (zh) * | 2023-11-15 | 2023-12-15 | 成都航空职业技术学院 | 一种基于深度学习的运动目标检测方法和*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016374A (zh) * | 2017-04-12 | 2017-08-04 | 电子科技大学 | 面向特定目标的智能检测追踪及时空轨迹的生成方法 |
CN107358146A (zh) * | 2017-05-22 | 2017-11-17 | 深圳云天励飞技术有限公司 | 视频处理方法、装置及存储介质 |
CN107436941A (zh) * | 2017-07-28 | 2017-12-05 | 盯盯拍(深圳)技术股份有限公司 | 车辆运动轨迹分析方法以及车辆运动轨迹分析装置 |
-
2018
- 2018-11-12 CN CN201811339291.1A patent/CN109711249A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016374A (zh) * | 2017-04-12 | 2017-08-04 | 电子科技大学 | 面向特定目标的智能检测追踪及时空轨迹的生成方法 |
CN107358146A (zh) * | 2017-05-22 | 2017-11-17 | 深圳云天励飞技术有限公司 | 视频处理方法、装置及存储介质 |
CN107436941A (zh) * | 2017-07-28 | 2017-12-05 | 盯盯拍(深圳)技术股份有限公司 | 车辆运动轨迹分析方法以及车辆运动轨迹分析装置 |
Non-Patent Citations (1)
Title |
---|
孙世友 等: "《大地图 测绘地理信息大数据理论与实践》", 31 August 2017, 中国环境出版社, pages: 333 - 336 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287855A (zh) * | 2019-06-21 | 2019-09-27 | 上海闪马智能科技有限公司 | 一种行人轨迹获取方法以及*** |
CN110837783A (zh) * | 2019-10-22 | 2020-02-25 | 恒大智慧科技有限公司 | 智慧社区中外来可疑人物自动警告方法、设备及存储介质 |
WO2021088417A1 (zh) * | 2019-11-08 | 2021-05-14 | 北京市商汤科技开发有限公司 | 移动状态信息展示方法与装置、电子设备及存储介质 |
CN110765984A (zh) * | 2019-11-08 | 2020-02-07 | 北京市商汤科技开发有限公司 | 一种移动状态信息展示方法、装置、设备及存储介质 |
CN112991485A (zh) * | 2019-12-13 | 2021-06-18 | 浙江宇视科技有限公司 | 轨迹绘制方法、装置、可读存储介质及电子设备 |
CN111369668A (zh) * | 2020-03-06 | 2020-07-03 | 西安奥卡云数据科技有限公司 | 一种自动绘制3d模型的方法 |
CN111540026A (zh) * | 2020-03-24 | 2020-08-14 | 北京三快在线科技有限公司 | 动线图的绘制方法、装置、电子设备及存储介质 |
CN111475594A (zh) * | 2020-03-27 | 2020-07-31 | 深圳光启超材料技术有限公司 | 头戴设备的轨迹确定方法和装置、存储介质及电子装置 |
CN112053566A (zh) * | 2020-08-24 | 2020-12-08 | 青岛海信网络科技股份有限公司 | 电子设备及车辆的出行类型识别方法 |
CN112053566B (zh) * | 2020-08-24 | 2022-01-11 | 青岛海信网络科技股份有限公司 | 电子设备及车辆的出行类型识别方法 |
CN112232176A (zh) * | 2020-10-13 | 2021-01-15 | 济南轨道交通集团有限公司 | 一种城市轨道交通车站行人跟踪与轨迹重建方法及*** |
CN113179432A (zh) * | 2021-04-19 | 2021-07-27 | 青岛海信移动通信技术股份有限公司 | 视频的采集位置的显示方法及显示设备 |
CN113326823A (zh) * | 2021-08-03 | 2021-08-31 | 深圳市赛菲姆科技有限公司 | 一种基于社区场景下人员路径确定方法、*** |
CN114332768A (zh) * | 2021-12-30 | 2022-04-12 | 江苏国盈信息科技有限公司 | 智慧型社区安防管理方法及*** |
CN117237418A (zh) * | 2023-11-15 | 2023-12-15 | 成都航空职业技术学院 | 一种基于深度学习的运动目标检测方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109711249A (zh) | 人物运动轨迹绘制方法、装置、计算机设备及存储介质 | |
CN110364008B (zh) | 路况确定方法、装置、计算机设备和存储介质 | |
CN109743541A (zh) | 智能监控方法、装置、计算机设备及存储介质 | |
CN103605971B (zh) | 一种捕获人脸图像的方法及装置 | |
CN106203277B (zh) | 基于sift特征聚类的固定镜头实时监控视频特征提取方法 | |
CN111626123A (zh) | 视频数据处理方法、装置、计算机设备及存储介质 | |
CN107016374A (zh) | 面向特定目标的智能检测追踪及时空轨迹的生成方法 | |
CN111402294A (zh) | 目标跟踪方法、装置、计算机可读存储介质和计算机设备 | |
CN109492583A (zh) | 一种基于深度学习的车辆重识别方法 | |
CN112836657B (zh) | 一种基于轻量化YOLOv3的行人检测方法及*** | |
CN109740479A (zh) | 一种车辆重识别方法、装置、设备及可读存储介质 | |
CN112434566B (zh) | 客流统计方法、装置、电子设备及存储介质 | |
CN109308704A (zh) | 背景剔除方法、装置、计算机设备及存储介质 | |
CN103177436A (zh) | 物件追踪的方法、***、计算机程序产品与记录介质 | |
CN111008574A (zh) | 一种基于形体识别技术的重点人员轨迹分析方法 | |
CN113963399A (zh) | 基于多算法融合应用的人员轨迹检索方法及装置 | |
CN109800318A (zh) | 一种归档方法及装置 | |
CN109800329A (zh) | 一种监控方法及装置 | |
CN109492537A (zh) | 一种物体识别方法及装置 | |
CN114519819A (zh) | 一种基于全局上下文感知的遥感图像目标检测方法 | |
CN110516559A (zh) | 适用于精准监控的目标跟踪方法及装置、计算机设备 | |
CN111626212B (zh) | 图片中对象的识别方法和装置、存储介质及电子装置 | |
CN113793251A (zh) | 位姿确定方法、装置、电子设备和可读存储介质 | |
CN113673308A (zh) | 对象识别方法、装置和电子*** | |
CN110046632B (zh) | 模型训练方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |